映画2011年
マネー・ボール
ベネット・ミラー(監督)、マイケル・ルイスの2003年の著書が原作オークランド・アスレチックスのビリー・ビーンとアナリストのポール・デポデスタが、ビル・ジェイムズのセイバーメトリクスをもとにした統計分析を使い、野球で最も少ない予算の一つで競争力のあるチームを作り上げた様子を劇化する。
大衆文化は統計学者を飛び越えて、より劇的なクオンツやアルゴリズムの姿へと直行した――臨床データサイエンティストの大衆イメージは、実際に働く臨床データサイエンティストが日々行っていることよりも、『マネー・ボール』の野球アナリストや『マネー・ショート 華麗なる大逆転』の危機を予見するクオンツに負うところが大きい。
この分野の内部では、その文化は競争的な公開ベンチマーク、真顔で語られる統計学の内輪ジョーク、そして「モデルカード」という文書形式――「自分のモデルの限界について正直であること」を後付けではなく日常的な職業上の習慣に変えるもの――によって回っている。
歴史上の社会的地位
各時代でこの職業が持った地位を0–100で示した。
1660年代〜1899年1900年代〜1930年代1950年代〜1980年代2001年〜2011年2012年〜現在
1660年代〜1899年
初期の統計的な仕事は主に事務員、素人の改革者、そしてナイチンゲールのような独学の外部者によって行われた。役に立ち、時に影響力を持つこともあったが、それ自体として権威を持つことはめったになかった。
1900年代〜1930年代
ピアソン、フィッシャー、ゴセットは統計学を独自の学術誌と大学部門を持つ学術分野として専門職化し、学術的な敬意を得た一方で、一般社会にとってはほぼ見えない存在であり続けた。
1950年代〜1980年代
メインフレームコンピューティングが広まるにつれ、「データ処理」担当者や統計学者は主に、必要ではあるが華やかさのない企業のバックエンド支援と見なされ、経営陣の意思決定の場に登場することはめったになかった。
2001年〜2011年
クリーブランドの2001年の学術的な提案はほとんど世間の注目を集めなかったが、Netflixの2006〜2009年の100万ドルのレコメンドアルゴリズムコンペと、2008年にLinkedInとFacebookで「臨床データサイエンティスト」という言葉が生まれたことは、テクノロジー業界の中で注目を集め始めた。
2012年〜現在
2012年10月の『ハーバード・ビジネス・レビュー』による「セクシーな仕事」という位置づけが、採用と地位のブームを引き起こした。2020年代までにこの職名はより専門化した役割へと分裂し、その独特の輝きの一部を失ったが、給与と需要は依然として強い。
映画・本・芸術の中で
映画2015年
マネー・ショート 華麗なる大逆転
アダム・マッケイ(監督)、マイケル・ルイスの著書が原作住宅ローン市場のデータをほとんど誰よりも先に詳しく調べ、2008年の金融危機を予見した一握りのアナリストたちを追う。
テレビシリーズ2005〜2010年
ナンバーズ 天才数学者の事件ファイル
ニコラス・ファラッチ、シェリル・ヒュートン(制作)数学者が、FBI捜査官の兄弟が統計分析とパターン認識を使って犯罪を解決するのを助ける物語で、応用数学を捜査の仕事としてアメリカの主流テレビ視聴者に紹介した。
テレビシリーズ2011年〜現在
ブラック・ミラー
チャーリー・ブルッカー(制作)この英国のアンソロジーシリーズは、データプロファイリングと予測スコアリングが不穏な極端さに至る様子を繰り返し描いており、最も直接的には2016年のエピソード「ランク社会」で、アルゴリズムによる人間のランク付けに対する社会の不安を形作った。
映画2016年
ドリーム
セオドア・メルフィ(監督)、マーゴット・リー・シェタリーの著書が原作電子計算機がその仕事を引き継ぐ前、1962年のマーキュリー軌道ミッションを支えた手計算を行った黒人女性数学者、キャサリン・ジョンソン、ドロシー・ヴォーン、メアリー・ジャクソンの実話を描く。
ドキュメンタリー2020年
Coded Bias
シャリニ・カンタヤ(監督)顔認識システムが肌の色が濃い顔をはるかに高い頻度で誤認識することを発見したMITの研究者ジョイ・ブォラムウィニを追い、技術的なデータバイアスの発見をアルゴリズムの公平性をめぐるより広い社会的な問いへと変える。
ことわざと慣用句
儀礼・象徴・装い
Kaggleリーダーボードの大変動
2010年に始まったKaggleが主催する公開の機械学習コンペティションは、コンテストを通じて参加者を目に見えるリーダーボードで順位付けし、コンテストが終わると隠されたテストセットに対する最終順位を明らかにする――出場者たちが「大変動」と呼ぶ瞬間であり、公開リーダーボードへの過剰適合が一夜にしてチームの順位を何十位も落とすことがあるからだ。
モデルカードの公開
Googleのマーガレット・ミッチェルらによる2018年の論文で提案された慣行に従い、チームはモデルを公開する前に、その意図された用途、学習データ、既知の限界を短い「モデルカード」に文書化することが増えている――これは任意のおまけというより、職業上の義務として扱われている。
ノートブックのウォークスルー
洗練されたスライド資料ではなく、Jupyterノートブックのセルとグラフをライブでスクロールしながら探索的な発見を提示することは、臨床データサイエンティストがチームメンバーや関係者と初期の結果を共有する際のデフォルトの方法であり続けている。
これらのいずれも、この分野の最も古い緊張関係――「臨床データサイエンス」が本当に新しい学問なのか、それともより売れやすい名前をまとった古い統計学とコンピューティングの仕事なのか――を解決してはいない。実務者自身が、しばしば同じチームの中でさえ、これについて議論している。
グラントの1662年の死亡表以来変わらないのは、基本的な動きだ――大量の記録を、人が行動に移せる主張へと変え、そのデータが実際にその主張をどれだけ裏付けているかについて正直であること。
似ている職業
分野だけでなく、6つのスコアが近い職業です。
🔐
?????????????????
デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63 🌬️再生可能エネルギーエンジニア
再生可能な資源を信頼できる電力に変える、風力、太陽光、蓄電、送電網のシステムを設計・構築・改善する。
AI耐性 72 🦾ロボット技術者
感知し、判断し、物理世界で行動する機械を設計する仕事。真の難問は知能ではなく、世界そのものだった。
AI耐性 65 🌿サステナビリティマネージャー
組織が事業上の義務を果たしながら環境・社会への害を減らせるよう、戦略、測定、報告を主導する。
AI耐性 66 🔌半導体エンジニア
自動車のブレーキから核ミサイルの誘導システムまで、あらゆるコンピュータや携帯電話の中にあるトランジスタを設計・製造する。地球上でごく一部の工場しか動かせないほど精密な機械を使う仕事だ。
AI耐性 60 📦MLOpsエンジニア
本番環境で機械学習モデルを訓練・配備・監視・ガバナンスするためのシステムを構築する仕事。
AI耐性 54さらに探す
さらに探す
科学・研究のほかの職業
⚛️
物理学者
黒板一枚から3000人の共著者を抱える加速器論文まで、物質・エネルギー・空間・時間を支配する数学的法則を導き検証する仕事。
AI耐性 65 🧬生物学者
生命そのものを研究する科学者。リンネが種を手作業で命名した時代から、CRISPRでゲノムを編集する今日まで、あらゆる着想を生きた生物で検証し続けてきた。
AI耐性 64 🧪化学者
物質そのものを作り、測る科学者——バビロニアのタプティの蒸留器から今日のロボット実験室まで、スペクトルの意味を決めるのは常にこの人だ。
AI耐性 70 📊データサイエンティスト
データからパターンを見つけ予測モデルを構築する職業――2008年生まれの肩書きだが、その土台には数値を数え、検証し、可視化してきた3世紀分の営みがある。
AI耐性 38 🔭天文学者
バビロニアの粘土板から宇宙望遠鏡まで、宇宙を測り続ける科学者。今もデータの中のどの揺らぎが発見なのかを見極めている。
AI耐性 70 🧮数学者
バビロニアの書記からフィールズ賞受賞者、AI支援証明まで――困難な問いを恒久的な確実性へと変え続けてきた職業、一つの定理ごとに。
AI耐性 70 🧿量子エンジニア
コンピューティング、センシング、通信、材料研究のために量子状態を利用する装置を構築し、測定し、制御する。
AI耐性 78